Deep learning algorithm based maximum power tracking technique for PV system
Fotovoltaik sistemler için derin öğrenme algoritmasına dayalı maksimum güç noktası takip tekniği
- Tez No: 990502
- Danışmanlar: DR. ÖĞR. ÜYESİ ABBAS UĞURENVER
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Yapay Sinir Ağı, Derin Öğrenme, Maksimum Güç Noktası, Artificial Neural Network, Deep Learning, Maximum Power Point Tracking, Solar PV System
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Küresel enerji talebinin artması ve çevresel zorunluluklar, fotovoltaik (PV) sistemleri sürdürülebilir enerjinin temel sağlayıcıları haline getirmiştir. Ancak, güneş ışınımının kesintili doğası, optimum enerji hasadı için kritik zorluklar ortaya çıkarmakta ve verimli Maksimum Güç Noktası Takibi (MPPT) yöntemlerini gerekli kılmaktadır. Geleneksel MPPT teknikleri, örneğin Perturb and Observe (P&O) ve Incremental Conductance (INC), genellikle salınımlar, yavaş tepki süreleri ve hızla değişen ışınım koşullarında azalan performans gibi sorunlardan muzdariptir. Bu sınırlamaları aşmak amacıyla, bu tez Konvolüsyonel Sinir Ağı Uzun Kısa Süreli Bellek (CNN-LSTM) mimarisi kullanan yeni bir hibrit derin öğrenme tabanlı MPPT yaklaşımı sunmaktadır. Çalışma üç ana hedef etrafında yapılandırılmıştır: (1) MATLAB/Simulink kullanılarak dinamik olarak değişen ışınım altında 3,5 kW transformatörsüz şebekeye bağlı bir PV sisteminin tasarımı ve simülasyonu, sabit DC gerilimi, şebeke akımı ve minimum kaçak akımı göstererek; (2) CNN'nin uzamsal özellik çıkarma yeteneklerini LSTM'nin zamansal öğrenme güçleriyle birleştiren bir CNN-LSTM modelinin geliştirilmesi; ve (3) gerçekçi ışınım senaryoları altında temel CNN ve CNN-SKIP modelleriyle ayrıntılı performans karşılaştırması. Deneysel sonuçlar, CNN-LSTM modelinin üstün performansını doğrulamakta, güç tahmininde maksimum 0.0001 kök ortalama kare hata (RMSE) başarımı elde ederek, sırasıyla 0.0028 ve 0.0021 RMSE değerleriyle CNN ve CNN-LSTM modellerini önemli ölçüde geride bırakmaktadır. Işınım geçişleri sırasında hızlı tepki süresi ve yüksek doğruluğu, şebeke kararlılığını artırma ve enerji verimini maksimize etme açısından güçlü bir potansiyel ortaya koymaktadır.
Özet (Çeviri)
The rising global energy demand and environmental imperatives have positioned photovoltaic (PV) systems as key enablers of sustainable energy. However, the intermittent nature of solar irradiance poses critical challenges for optimal energy harvesting, necessitating efficient Maximum Power Point Tracking (MPPT) methods. Traditional MPPT techniques, such as Perturb and Observe (P&O) and Incremental Conductance (INC), often suffer from oscillations, slow response times, and diminished performance under rapidly changing irradiance. To address these limitations, this thesis presents a novel hybrid deep learning-based MPPT approach utilizing a Convolutional Neural Network Long Short-Term Memory (CNN-LSTM) architecture. The study is structured around three main objectives: (1) the design and simulation of a 3.5 kW transformer less grid-connected PV system under dynamically varying irradiance using MATLAB/Simulink, demonstrating stable DC voltage, grid current, and minimized leakage current; (2) the development of a CNN-LSTM model that combines CNN's spatial feature extraction capabilities with LSTM's temporal learning strengths to track the maximum power point; and (3) a detailed performance comparison with baseline CNN and CNN-SKIP models under realistic irradiance scenarios. Experimental results confirm the superior performance of the CNN-LSTM model, achieving maximum 0.0001 root mean square error (RMSE) performance in power prediction and significantly outperforming both CNN and CNN-LSTM models respectively 0.0028 and 0.0021 based on RMSE. Its rapid response and high accuracy during irradiance transitions demonstrate strong potential for enhancing grid stability and maximizing energy yield.
Benzer Tezler
- Learning from minimally labeled data with accelerated convolutional neural networks
Hızlandırılmış evrişimli sı̇nı̇r ağları ı̇le minimal etiketli verı̇lerden öğrenme
AYŞEGÜL DÜNDAR BORAL
Doktora
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolPurdue UnıversıtyBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. EUGENİO CULURCİELLO
- Yapay zeka temelli maksimum güç noktası takibi
Artificial intelligence based maximum power point tracking
HALİL İBRAHİM TEMEL
Yüksek Lisans
Türkçe
2021
EnerjiBilecik Şeyh Edebali ÜniversitesiEnerji Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGA YÜKSEL
- Derin öğrenme ağlarını kullanarak güneş enerji fotovoltalik sisteminin güç kalitesinin iyileştirmesi
Power quality improvement of solar energy system with of the photovoltalic with deep neural network controller
WISAM HAZIM GWAD GWAD
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKastamonu ÜniversitesiMalzeme Bilimi ve Mühendisliği Ana Bilim Dalı
PROF. DR. AYBABA HANÇERLİOĞULLARI
- Deep-learning based optimization framework for wireless powered communication networks
Enerji hasadı yapan kablosuz ağlar için derin öğrenme tabanlı eniyileme
AYSUN GURUR ÖNALAN KÖPRÜ
Doktora
İngilizce
2023
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SİNEM ÇÖLERİ
- Uydu görüntülerinden çatı alanı tespiti için derin öğrenme tabanlı model optimizasyonu ve şehir ölçeğinde çatı üstü fotovoltaik potansiyelin belirlenmesi
Deep learning–based model optimization for rooftop area detection from satellite imagery and determination of urban-scale rooftop photovoltaic potential
AHMET HAMZAOĞLU
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiHarran ÜniversitesiElektrik-Elektronik Ana Bilim Dalı
PROF. DR. ALİ KIRÇAY
DOÇ. DR. ALİ ERDUMAN